Portrait de Dounia Shaaban Kabakibo

Dounia Shaaban Kabakibo

Représentant du laboratoire
Doctorat
Superviseur⋅e principal⋅e
Michel Côté
Co-supervisor
Alex Hernández-García
Sujets de recherche
Apprentissage profond
IA pour la science
Modélisation moléculaire
Google Scholar
GitHub

Biographie

Je suis doctorante en physique à l'Université de Montréal, co-supervisée par Michel Côté et Alex Hernandez-Garcia. Mes intérêts ont évolué de la physique théorique à la physique computationnelle et, plus récemment, vers l'IA — particulièrement les modèles génératifs et les réseaux de neurones graphiques — que je considère comme de nouveaux outils passionnants dans ma boîte à outils de physicienne. Je les utilise pour explorer des sujets allant des spectres Raman aux matériaux de batteries et aux phénomènes critiques. En dehors des sciences, je me passionne pour la justice sociale, l'art et l'apprentissage de nouvelles choses.

Depuis mon arrivée à Mila, je suis tombée sous le charme de sa communauté dynamique et accueillante. Je m'y suis impliquée de plusieurs manières (pour la plupart non officielles) — le spectacle de variétés (talent show), les concours de vulgarisation scientifique, l'atelier de couture et les discussions entre étudiant·e·s et membres de l’administration — jusqu'à ce qu'il me semble naturel d'officialiser les choses et de présenter ma candidature comme représentante de laboratoire. Je suis reconnaissante envers les étudiants et étudiantes qui ont dit oui !

En tant que LabRep, j'espère pouvoir redonner à la communauté en amplifiant la voix des étudiant·e·s et en soutenant les événements sociaux qui rassemblent les gens. On me dit souvent que je suis à l'écoute — n'hésitez pas à me contacter si vous avez besoin d'une oreille attentive ou si vous avez des idées pour nous, les LabReps !

Publications

A Comparative Study of Molecular Dynamics Approaches for Simulating Ionic Conductivity in Solid Lithium Electrolytes
Dounia Shaaban Kabakibo
Félix Therrien
Yoshua Bengio
Michel Côté
Hongyu Guo
Homin Shin
Alex Hernández-García
Accurate prediction of ionic conductivity is critical for the design of highperformance solid-state electrolytes in next-generation batterie… (voir plus)s. We benchmark molecular dynamics (MD) approaches for computing ionic conductivity in 21 lithium solid electrolytes for which experimental ionic conductivity has been previously reported in the literature. Specifically, we compare simulations driven by density functional theory (DFT) and by universal machine-learning interatomic potentials (uMLIPs), namely a MACE foundation model. Our results suggest comparable performance between DFT and MACE, with MACE requiring only a fraction of the computational cost. The framework developed here is designed to enable systematic comparisons with additional uMLIPs and fine-tuned models in future work.
2026-03-01
AI4Mat @ International Conference on Learning Representations (poster)
openreview.net
openreview.net
Large scale Raman spectrum calculations in defective 2D materials using deep learning
Olivier Malenfant-Thuot
Dounia Shaaban Kabakibo
Simon Blackburn
Bruno Rousseau
Michel Côté
We introduce a machine learning prediction workflow to study the impact of defects on the Raman response of 2D materials. By combining the u… (voir plus)se of machine-learned interatomic potentials, the Raman-active Γ-weighted density of states method and splitting configurations in independant patches, we are able to reach simulation sizes in the tens of thousands of atoms, with diagonalization now being the main bottleneck of the simulation. We apply the method to two systems, isotopic graphene and defective hexagonal boron nitride, and compare our predicted Raman response to experimental results, with good agreement. Our method opens up many possibilities for future studies of Raman response in solid-state physics.
2024-12-17
Journal of Physics: Condensed Matter (publié)
doi.org
arxiv.org